Soru:
Bir dizi Likert maddesinin boyutluluğunu değerlendirmek için EFA veya PCA kullanılıp kullanılmayacağı
giovanna
2011-06-08 17:57:46 UTC
view on stackexchange narkive permalink

Bu, güvenilirliği değerlendirmeyle ilgili bir önceki sorumun sonucudur.

Bir kullanıcı grubunun davranışlarına karşı tutumunu değerlendirmek için bir anket (altı 5 puanlık Likert madde) ürün. Örneğin Cronbach alfa veya lambda6'yı hesaplamak için anketin güvenilirliğini tahmin etmek istiyorum. Bu yüzden ölçeğimin boyutluluğunu kontrol etmem gerekiyor. Bazı insanların boyutların sayısını (örneğin temel bileşenler) bulmak için PCA'yı kullandığını, bazılarının ise EFA'yı kullanmayı tercih ettiğini gördüm.

  • En uygun yaklaşım hangisidir?
  • Ayrıca, birden fazla ana bileşen veya birden fazla gizli faktör bulursam, bu, birden fazla ölçüm yaptığım anlamına gelir aynı yapının yapısı veya birkaç yönü?
Kaç konu var? Öğeleriniz üzerinde tavan / zemin etkileri (yüksek veya düşük değerlere doğru kayan yanıt dağılımı) veya olası tutarsız yanıtlar gözlemlediniz mi?
üç yanıtlar:
#1
+11
Jeromy Anglim
2011-09-29 11:16:26 UTC
view on stackexchange narkive permalink

EFA'ya karşı PCA

EFA ve PCA arasındaki farklarla ilgili önceki bir soruda şunu belirtmiştim:

  • Temel bileşenler analizi gözlenen değişkenlerin doğrusal bileşimleri.
  • Faktör analizi, gözlemlenen değişkenleri teorik gizli faktörlerden tahmin eden biçimsel bir modele dayanır.

Bunu tipik olarak psikolojik geliştirme bağlamında buluyorum. Ölçekler faktör analizi teorik olarak daha uygundur. Gizli faktörlerin genellikle gözlemlenen değişkenlere neden olduğu varsayılır.

Ölçek Boyutunun Değerlendirilmesi

Bir likert öğeler kümesinin altında yatan boyutluluğu belirlemek, yalnızca PCA'ya karşı EFA sorunu değildir. Birden fazla teknik var. William Revelle, çeşitli teknikleri uygulamak için R'de bazı yazılımlara sahiptir ( bu tartışmaya bakın).

Genel olarak, bir seti modellemek için kaç faktörün gerekli olduğu konusunda nadiren kesin bir cevap vardır öğelerin. Daha fazla faktör çıkarırsanız, öğelerdeki daha fazla varyansı açıklayabilirsiniz. Elbette, sadece şans eseri bazı varyansları açıklayabilirsiniz, bu nedenle bazı yaklaşımlar şansı ortadan kaldırmaya çalışır (örneğin, paralel test). Bununla birlikte, şansın daha az açıklamaya dönüştüğü çok büyük örneklerde bile, daha fazla faktör çıkararak sistematik ancak varyansta küçük artışlar görmeyi beklerdim. Bu nedenle, ölçeğin amacınız için yeterince tek boyutlu olduğu sonucuna varmak için birinci faktör tarafından diğerlerine göre ne kadar varyansın açıklanması gerektiği konusu ile baş başa kalırsınız. Bu tür sorunlar, uygulama ve daha geniş geçerlilik konularıyla yakından ilişkilidir.

Tek boyutluluğun ölçülmesine yönelik tanımların ve yaklaşımların daha geniş bir tartışması için aşağıdaki makaleyi okumak yararlı olabilir:

Hattie , J. (1985). Metodoloji incelemesi: Testlerin ve öğelerin tek boyutluluğunun değerlendirilmesi. Uygulamalı Psikolojik Ölçüm , 9 (2): 139.

Burada, tek boyutluluğun tanımlanmasına yönelik birkaç farklı karar kuralını inceleyen bir web sunumu yer almaktadır

#2
+7
richiemorrisroe
2011-09-29 14:31:39 UTC
view on stackexchange narkive permalink

İlk olarak, ne PCA ne de EFA size ölçeğin boyutu hakkında bir tahmin vermez. Her ikisi de temelde veri azaltma teknikleridir. Bununla birlikte, modelde (toplumsallık) her sorudaki varyansın ne kadarının açıklandığını size söylemesi nedeniyle EFA bu amaç için muhtemelen daha iyidir.

Boyutu tahmin etmek için başka bir teknik kullanmanız gerekir. En iyileri paralel analiz, minimum ortalama kısmi kriter ve yamaç grafiğinin incelenmesidir. Birden büyük özdeğerler bu durumda iyi performans gösterme eğiliminde değildir.

Büyük miktarda veriniz varsa, bunun 2 / 3'ünü almanızı ve modeller oluşturmanızı öneririm. Ardından, geliştirdiğiniz modelleri verilerinizin son üçte birine sığdırın. Bu, verilerinize fazla uyma şansınızı azaltacaktır (yani modelleme gürültüsü). Bu bir çapraz doğrulama biçimidir ve faktör analizi ve temel bileşenler analizi gibi teknikler kullanılırken, sürecin bir parçası olarak alınması gereken birçok öznel karar (faktörler, rotasyonlar vb.) Olduğundan son derece önemlidir.

Bir kullanıcı, boyutun "belirlenmediğini" ancak tahmin edildiğini belirtmek için ikinci paragrafta bir düzenleme yapılmasını önermiştir: bunun için "en iyi" değer (bir anlamda) bulunur. Önerinin haklı olduğunu düşünüyorum ancak bu değişikliği onaylamaktan çekinmedim çünkü bu konudaki fikriniz burada tam olarak açıklanmadı. Belki de bu sorunu çözmek için bu noktayı açıklığa kavuşturmak isteyebilirsiniz?
@whuber - ikinci paragrafımı değiştirdi, kötü seçilmiş bir kelimeydi.
#3
+4
Peter Flom
2011-09-29 15:42:47 UTC
view on stackexchange narkive permalink

Şu ana kadar bahsedilmeyen iki şey var: Bir: Yalnızca 6 öğe ile birçok boyut bulmakta zorlanacaksınız. İki: EFA yaparsanız, yamaç grafiğine veya özdeğerlere veya başka bir sayısal teste bakmak yerine, birkaç çözümü inceleyin ve hangisinin mantıklı olduğunu görün. İdeal olarak, @richiemorrisroe'yu takip edebilecek ve özellikle bu kadar az öğeyle bir eğitim ve test örneği alabileceksiniz.

Neyin mantıklı olduğunu gör yaklaşımına katılıyorum, ancak (en azından) sayısal testlerin incelenecek bir dizi olası çözümü gösterebileceğini ve daha sonra hem sayısal yollarla hem de bunların ölçüm ve amaçlarla tutarlılıkları ile test edilebileceğini buldum. çalışma.
Katılıyorum. Ancak birçok kişinin sayısal testlerin bir dizi olasılık sağlamaktan ziyade soruyu "yanıtlamasını" istediğini görüyorum.


Bu Soru-Cevap, otomatik olarak İngilizce dilinden çevrilmiştir.Orijinal içerik, dağıtıldığı cc by-sa 3.0 lisansı için teşekkür ettiğimiz stackexchange'ta mevcuttur.
Loading...